ПРОГНОЗУВАННЯ СМЕРТНОСТІ ВІД COVID-19 МЕТОДАМИ МАШИННОГО НАВЧАННЯ

Анотація

Дана стаття описує використання методів машинного навчання для передбачення рівня смертності від COVID-19. Для дослідження було використано відкритий набір даних з великою кількістю ознак та записів. Метою даного дослідження є створення ефективної моделі для передбачення рівня смертності, що базується на великій кількості чинників та дозволить компетентним органам вжити превентивні заходи для запобігання масовому поширенню COVID-19 та зменшення кількості хворих та померлих від хвороби. Проведено відбір ознак з метою усунення потенційно нерелевантних вхідних змінних та покращення продуктивності моделей машинного навчання. Було використано класичні моделі машинного навчання (як лінійні, так і нелінійні), ансамблеві методи, зокрема беггінг, стекінг та бустинг, а також нейронні мережі. Виконано порівняння ефективності ансамблевих методів порівняно з класичними методами машинного навчання, такими як лінійна регресія, методи опорних векторів, K найближчих сусідів та інші. Ансамблеві методи та нейронні мережі показують значно більшу ефективність, ніж класичні. Відбір ознак не має значного впливу на точність передбачення.

Наукова новизна даної роботи полягає в великій кількості моделей машинного навчання, натренованих на великому наборі даних, що містить значну кількість ознак, які стосуються різноманітних чинників, які потенційно можуть вплинути на смертність від COVID-19, та в подальшому аналізі їх ефективності. Це може допомогти відібрати найбільш значущі ознаки та стати основою у створенні програмних засобів, призначених для відстеження динаміки хвороби.

Практичне значення даної роботи полягає в тому, що наявні в ній дослідження можуть бути корисні для дослідників, закладів охорони здоров’я, державних органів та міжнародних організацій в запобіганні зростання смертності від COVID-19 шляхом вжиття відповідних запобіжних заходів.